penelitian ini mencakup uji normalitas, uji multikolinearitas, uji heterokedastisitas, dan uji autokorelasi.
a. Uji normalitas
Pengujian normalitas data dalam penelitian ini mengunakan uji statistik non parametric Kolmogorov-Smirnov K-S dengan membuat
hipotesis: H
: Data residual berdistribusi normal H
a
: Data residual tidak berdistribusi normal. Apabila nilai signifikansinya lebih besar dari 0,05 maka H
diterima, sedangkan jika nilai signifikansinya lebih kecil dari 0,05 maka H
ditolak.
Tabel 4.3 Uji Normalitas Sebelum Data Ditransformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
90 Normal
Parameters
a,b
Mean .0000000
Std. Deviation 2.09266013E4
Most Extreme Differences
Absolute .354
Positive .303
Negative -.354
Kolmogorov-Smirnov Z 3.354
Asymp. Sig. 2-tailed .000
a. Test distribution is Normal. b. Calculated from data.
Sumber : Data diolah penulis, 2011 Berdasarkan data tersebut, besarnya Kolmogorv-Smirnov K-S adalah
3.354 untuk CR, DER, TATO, ROE, EPS dan harga saham. Untuk probabilitas signifikansi Asymp. Sig 2-tailed dari masing-masing
Universitas Sumatera Utara
variabel adalah 0.000 untuk CR, DER, TATO, ROE, EPS dan harga saham, dimana nilai signifikansinya 0.05, maka disimpulkan data tidak
terdistribusi secara normal. Data yang tidak terdistribusi secara normal tersebut juga dapat dilihat melalui grafik histogram dan grafik normal
plot data.
Gambar 4.1 Histogram sebelum data ditransformasi
Sumber: Data diolah peneliti, 2011
Dari grafik histogram di atas, terlihat bahwa kurva berbentuk lonceng bell shaped yang memiliki kecenderungan ke sisi kanan sehingga dapat
dikatakan bahwa data tidak terdistribusi normal.
Universitas Sumatera Utara
Gambar 4.2 Grafik P-P Plot sebelum data ditransformasi
Sumber : Data diolah peneliti, 2011 Hasil uji normalitas dengan menggunakan grafik plot terlihat titik-titik
menyebar disekitar garis diagonal serta penyebarannya agak menjauh dari garis diagonal sehingga dapat disimpulkan bahwa data dalam model
regresi tidak terdistribusi secara normal. Dari hasil uji normalitas dengan Kolmogorov-Smirnov K-S, grafik histogram dan grafik normal plot
menunjukkan data tidak terdistribusi secara normal. Ada beberapa cara mengubah model regresi menjadi normal menurut
Jogiyanto 2004 : 172, yaitu: 1
Dengan melakukan transformasi data,
2
Lakukan trimming,
3
Lakukan winsorizing.
Universitas Sumatera Utara
Untuk mengubah nilai residual agar berdistribusi normal, penulis melakukan transformasi data ke model LN dari persamaan HS = fCR,
DER, TATO, ROE, EPS, menjadi LN_HS = fLN_CR, LN_DER, LN_TATO, LN_ROE, LN_EPS. Kemudian, data diuji ulang
berdasarkan asumsi normalitas. Berikut ini hasil pengujian Kolmogorov-Smirnov K-S:
Tabel 4.4 Uji Normalitas Setelah Data Ditransformasi
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual N
82 Normal
Parameters
a,b
Mean .0000000
Std. Deviation .75040653
Most Extreme Differences
Absolute .048
Positive .038
Negative -.048
Kolmogorov-Smirnov Z .437
Asymp. Sig. 2-tailed .991
a. Test distribution is Normal. b. Calculated from data.
Sumber: Data diolah peneliti, 2011 Dari tabel tersebut, besarnya Kolmogorv-Smirnov K-S adalah 0.437
untuk CR, DER, TATO, ROE, EPS, dan harga saham. Untuk probabilitas signifikansi Asymp. Sig 2-tailed dari masing-masing variabel adalah
0.991 untuk CR, DER, TATO, ROE, EPS dan harga saham, dimana nilai signifikansinya 0.05. Dengan demikian, secara keseluruhan dapat
disimpulkan bahwa nilai-nilai observasi data telah terdistribusi secara normal dan dapat dilanjutkan dengan uji asumsi klasik lainnya.
Universitas Sumatera Utara
Untuk lebih jelas, berikut ini turut dilampirkan grafik histogram dan plot data yang terdistribusi normal.
Gambar 4.3 Histogram Setelah data ditransformasi
Sumber: data diolah peneliti, 2011 Dari grafik di atas dapat disimpulkan bahwa distribusi data sudah
normal karena grafik histogram menunjukkan distribusi data mengikuti garis diagonal yang tidak menceng skewness ke kiri maupun ke kanan.
Demikian pula dengan hasil uji normalitas dengan menggunakan grafik plot. Pada grafik normal plot, terlihat titik-titik menyebar disekitar garis
diagonal serta penyebarannya mendekati dengan garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara
normal.
Universitas Sumatera Utara
Gambar 4.4 Grafik P-P Plot setelah data ditransformasi
Sumber: Data diolah peneliti, 2011
Hasil dari transformasi di atas menunjukkan bahwa variabel-variabel yang tidak normal dapat dinormalkan dengan cara meng-ln-kan data.
Setelah data sudah menunjukkan data yang memenuhi asumsi normalitas maka pengujian dapat dilanjutkan dengan pengujian parametrik.
b. Uji multikolinearitas
